ONNX - 数据类型

在 ONNX（开放神经网络交换）中，模型中使用的数据类型是模型表示和计算的关键方面。作为机器学习模型的标准格式，ONNX 支持一系列数据类型，这些数据类型允许不同机器学习框架之间进行互操作。

在本教程中，我们将探讨各种 ONNX 数据类型，包括张量类型、元素类型、稀疏张量以及非张量类型，如序列和映射。

理解 ONNX 中的张量

ONNX 主要关注涉及张量的数值计算，张量是多维数组。张量用于表示 ONNX 模型中的输入、输出和中间值。

每个张量由三个关键组件定义 -

• 元素类型：指定张量中所有元素的数据类型。
• 形状：描述张量维度的数组。形状可以是固定的或动态的，并且张量可以具有空形状（例如，标量）。
• 连续数组：一个完全填充的数据值数组。

这种设计优化了 ONNX 用于深度学习应用中的数值计算，在深度学习应用中，大型多维数组很常见。

支持的元素类型

最初，ONNX 被设计为支持深度学习模型，这些模型通常使用浮点数（32 位浮点数）。但是，当前版本的 ONNX 支持广泛的元素类型，从而可以在不同的机器学习和数据处理任务中实现灵活性。

以下是 ONNX 中支持的数据类型列表 -

稀疏张量

当处理包含大量零的数据时，稀疏张量很有用。ONNX 支持稀疏张量，特别是 2D 稀疏张量。它们由SparseTensorProto类表示，该类包含以下属性 -

• dims：指定稀疏张量的形状。
• indices：张量中非零值的 position（以 int64 存储）。
• values：实际的非零值。

非张量数据类型

除了张量之外，ONNX 还支持非张量数据类型，例如 -

• 序列：一系列张量。这对于需要处理张量列表或集合的操作很有用。
• 映射：张量值的映射，通常用于关联数组或字典。

这些非张量类型更常用于经典的机器学习任务，在这些任务中，需要序列和映射等结构来表示某些操作。